| 1 |
Yapay Sinir Ağları Nedir? Tarihçesi ve Temel Kavramlar |
| 2 |
Basit Sinir Ağları: Perceptron ve Çok Katmanlı Algılayıcılar (MLP) |
| 3 |
Geri Yayılım Algoritması ve Gradyan İniş Temelleri |
| 4 |
Optimizasyon Yöntemleri (Adam gibi) ve Aşırı Öğrenmeyi Önleme (Dropout) |
| 5 |
Evrişimli Sinir Ağları (CNN) Nedir? Temel Yapısı |
| 6 |
CNN ile sınıflandırma |
| 7 |
Tekrarlayan Sinir Ağları (RNN) ve Zaman Serisi Verileri |
| 8 |
LSTM ve GRU: Uzun Süreli Hafıza Sorununu Çözme |
| 9 |
Dikkat Mekanizması ve Transformer Modelleri Giriş |
| 10 |
Üretken Modeller: Otomatik Kodlayıcılar ve GAN Temelleri |
| 11 |
Transfer Öğrenme: Hazır Modelleri Kullanma (ResNet, BERT) |
| 12 |
Model Test Etme ve Hiperparametre Ayarı |
| 13 |
Derin Öğrenmede Etik ve Yanlılık Sorunları |
| 14 |
Güncel Gelişmeler ve Örnek Makale Tartışmaları |
